AI Agent 并不是简单的大模型问答程序，而是由大语言模型、任务规划、记忆机制和工具调用共同组成的智能系统。本文基于一个完整的 Agent 入门实战，梳理如何从架构设计出发，使用 LangChain 构建具备工具调用和短期记忆能力的 Agent，并进一步对比 OpenClaw 的技能化开发方式，帮助开发者建立 Agent 应用的工程化认知。

本文围绕 Function Calling 展开，介绍大模型如何从“生成文本”进一步变成“生成可执行的结构化指令”。文章先分析传统 Prompt 输出 JSON 的不可靠、不安全和不通用问题，再拆解 Function Calling 的完整链路：模型理解意图、选择工具、提取参数、程序执行函数、模型整合结果。随后结合多工具场景、Agent 执行流程、LangChain 与 OpenClaw 的封装思

最近在学习 LlamaIndex 时，我有一个很直接的感受：它和 LangChain 真的很像。两者都能做文档加载、文本切分、Embedding、向量检索、RAG、Agent 和工具调用。如果只看入门示例，甚至会觉得它们是在重复造轮子。但继续往下学之后会发现，二者虽然能力有重叠，设计重心却截然不同。LangChain 更像是一个LLM 应用编排框架，擅长把模型、Prompt、工具、Agent 和流

本文介绍 GraphRAG 的核心原理与工作流。相比传统 RAG 只检索相似文本，GraphRAG 通过构建知识图谱，组织实体、关系、社区和摘要，更适合复杂关系推理、全局总结和多文档分析。文章还对比了 Local Search、Global Search、DRIFT Search 等查询方式，并说明其适用场景。

AI Agent 并不是简单的大模型问答程序，而是由大语言模型、任务规划、记忆机制和工具调用共同组成的智能系统。本文基于一个完整的 Agent 入门实战，梳理如何从架构设计出发，使用 LangChain 构建具备工具调用和短期记忆能力的 Agent，并进一步对比 OpenClaw 的技能化开发方式，帮助开发者建立 Agent 应用的工程化认知。